Upload
diego-martin-fernandez
View
281
Download
3
Tags:
Embed Size (px)
Citation preview
INTRODUCCIÓN A BUSINESS
INTELLIGENCEIDE-CESEM
ABRIL 2015
2
PRESENTACIÓN
• Diego Martín Fernández
• Ingeniero Superior en Informática (UEM)
• Dirección y Gestión Estratégica de Proyectos (IE Business School)
• Aprendizaje Estadístico y Data Mining (UNED)
• Responsable de Business Intelligence
• QDQ Media
• Grupo EULEN
• AGS Group
• Contacto:
• linkedin.com/in/dmfdez - [email protected]
ABRIL 2015
3
ÍNDICE
• Introducción
• Business Intelligence
• Data Warehouse
• Business Analytics
• Visualización de Datos
ABRIL 2015
4
INTRODUCCIÓNPasado, presente y futuro del Business Intelligence
ABRIL 2015
5
HISTORIA DEL BI
• El término Business Intelligence fue acuñado por Gartner Group a finales de los 80’s.
• Sin embargo, el concepto es mucho más antiguo y sigue evolucionando
• 1970’s - MIS reporting - static/periodic reports
• 1980’s - Executive Information Systems (EIS)
• 1990’s - OLAP, dynamic, multidimensional, ad-hoc reporting
• 2010’s - Data/Text/Web Mining; Web-based Portals, Dashboards, Big Data, Social Media, and Visual Analytics
• 2020’s - …
ABRIL 2015
6
ACTUALIDAD
• Compañías en mercados hipercompetitivos.
• Los clientes son más exigentes, mejor informados y demandan productos personalizados.
• Las empresas necesitan conocer mejor al cliente para saber cual es su fuerte y potenciarlo.
• Customer Intelligence
• Maketing Intelligence
• Social Business Intelligence
• …
ABRIL 2015
7
FUTURO
• Data Discovery
• Real Time Data
• Big Data
• Social Business Intelligence
• Modelado descriptivo, predictivo y prescriptivo
ABRIL 2015
8
BUSINESS INTELLIGENCEIntroducción al Business Intelligence, del dato al conocimiento.
ABRIL 2015
9
DEFINICIÓN
• Business intelligence (BI) es un término genérico que incluye las aplicaciones, la infraestructura y herramientas y las mejores prácticas que permitan el acceso y el análisis de la información para mejorar y optimizar las decisiones y rendimiento.
ABRIL 2015
10
DEL DATO AL CONOCIMIENTO
Dato Información Conocimiento
ABRIL 2015
11
DATO
• Hechos objetivos y discretos sobre eventos.
• Registros estructurado de operaciones.
• Muchos datos pueden hacer difícil identificar y dar sentido a los datos que importan
• Los datos sólo describen una parte de lo que ocurre, no proporcionan significado, juicio o interpretación.
• Gestión del Dato:• Velocidad, coste y capacidad• Relevancia y claridad
• El dato es la fuente de origen para la toma de decisión pero no puede decirnos que hacer.
ABRIL 2015
12
INFORMACIÓN
• Convierte los datos en útiles para decidir y/o realizar una acción.
• La información es definida como datos que son dotados de un sentido y un propósito.
• La información nos permite responder a preguntas como:
• ¿Quién?
• ¿Qué?
• ¿Cómo?
• ¿Cuándo?
• ¿Donde?
ABRIL 2015
13
INFORMACIÓN
Medir
Comparar
Reportar
Analizar
Predecir
Avisar
Experimentar
Colaborar
Recompensar
Saber
ABRIL 2015
14
CONOCIMIENTO
• Finalmente, el conocimiento se define habitualmente como información que ha sido procesada, organizada y estructura de alguna manera o que ha sido aplicada a una acción.
• En las organizaciones, a menudo se convierte implícito no sólo en documentos o repositorios sino también en rutinas organizativas, procesos, prácticas y normas.
• El conocimiento puede ser visto como
• Proceso: aprendizaje organizacional
• Stock: conocimiento
ABRIL 2015
15
¿PARA QUE NOS SIRVE EL BI?• Impacto de una campaña.
• Conocer a nuestros clientes
• ¿Cómo y qué compran?
• ¿Dónde suelen hacerlo?
• ¿A qué horas?
• Rendimiento de nuestro proceso de venta.
• Rendimiento de nuestro proceso de postventa.
• …
ABRIL 2015
16
TIPO DE PROYECTOS
• Sistema MDM (Master Data Management)
• Sistema Data Warehouse
• Procesos ETL
• Construir sistemas OLAP
• Diseñar Informes y/o cuadros de mando
• Business Analytics
• Big Data
ABRIL 2015
17
ARQUITECTURA “TRADICIONAL” BI
ERP
Social
Otras
Excel/CSV
CRM
ETL
Informes
Analítica
KPI
Cuadros de Mando
Data Warehouse
RRHH Ventas
Marketing
Datamarts
ABRIL 2015
18
COMPONENTES DE UN BI
•Un sistema de Business Intelligence tiene 4 componentes principales:
• Un Data Warehouse, es un gran repositorio de datos históricos bien organizados.
• Business Analytics, es una colección de herramientas para manipular, explotar y analizar los datos del Data Warehouse.
• Business Performance Management permite monitorizar, medir y analizar los KPIs definidos.
• Un Interfaz de Usuario (e.g., dashboard) , nos permite acceder y trabajar con las herramientas de BI.
ABRIL 2015
19
INFORMACIÓN EN UNA ORGANIZACIÓN
ABRIL 2015
20
BUSINESS INTELLIGENCE VS BIG DATA
Business Intelligence
Big Data
Información Conocida
Preguntas que no puedes responder
Preguntas que puedes responder
Información Desconocida
ABRIL 2015
21
BIG DATA
• Big Data es la información de gran volumen, de alta velocidad y/o de gran variedad que exige formas rentables e innovadoras de procesamiento de la información para mejorar la comprensión y la toma de decisiones.
ABRIL 2015
22
3 4 5 V’S DEL BIG DATA
Big Data
Volumen
Velocidad
ValorVeracidad
Variedad
ABRIL 2015
23
APLICACIONES BIG DATA
ABRIL 2015
24
BENEFICIOS DEL BUSINESS INTELLIGENCE• Mejorar los procesos de gestión
• planificación, control, medición y / o cambiar lo que resulta en un aumento de los ingresos y reducción de costos.
• Mejorar los procesos operativos
• la detección de fraudes, procesamiento de pedidos, compras .. resultando en mayores ingresos y menores costos.
• Predecir el Futuro
ABRIL 2015
25
¿POR DONDE EMPEZAMOS?• Analizar nuestras fuentes de datos:
• CRM (Customer Relationship Management):
• Cliente
• Productos
• Campañas
• Actividades
• ERP (Enterprise Resource Planning)
• Facturación
• Costes
• …
ABRIL 2015
26
EVOLUCIÓN DEL CRM
ABRIL 2015
27
ESQUEMA CRM TÍPICO
ABRIL 2015
Clientes
Oferta
Contrato Actividad CampañaProductos
28
DATA WAREHOUSEIntroducción a Data Warehouse y procesos ETL
ABRIL 2015
29
DEFINICIÓN
• Un Data Warehouse es un sistema de almacenamiento diseñado para contener los datos extraidos en los sistemas transaccionales, de los sistemas operativos y de fuentes externas.
• Un Data Mart contiene datos similares en el tiempo y temática, es decir, son subconjuntos de un Data Warehouse de un área específica del negocio para ayudarle a la toma de decisiones.
ABRIL 2015
30
BILL INMON
• Bill Inmon define un data warehouse en términos de las características del repositorio de datos:
• Orientado a temas.- Los datos en la base de datos están organizados de manera que todos los elementos de datos relativos al mismo evento u objeto del mundo real queden unidos entre sí.
• Variante en el tiempo.- Los cambios producidos en los datos a lo largo del tiempo quedan registrados para que los informes que se puedan generar reflejen esas variaciones.
• No volátil.- La información no se modifica ni se elimina, una vez almacenado un dato, éste se convierte en información de sólo lectura, y se mantiene para futuras consultas.
• Integrado.- La base de datos contiene los datos de todos los sistemas operacionales de la organización, y dichos datos deben ser consistentes.
ABRIL 2015
31
METODOLOGÍA TOP DOWN
ABRIL 2015
32
RALPH KIMBALL
• Ralph Kimball define un almacén de datos como: "una copia de las transacciones de datos específicamente estructurada para la consulta y el análisis”.
ABRIL 2015
33
METODOLOGÍA BOTTOM-UP
ABRIL 2015
34
INMON VS KIMBALL
• Es muy difícil de decantarse por uno por otro.
• En los proyectos de BI típicos, normalmente se empieza por el modelo de Kimball creando Datamarts de los departamentos debido a presupuestos ajustados, desconfianza o como punto de entrada.
• A medida que una organización crece en BI, lo mejor sería pasar a Immon para ahorrar mantenimiento de etl, crear un repositorio único, etc…
ABRIL 2015
35
MODELADO: ESQUEMA EN ESTRELLA (OLAP)• Se compone:
• Dimensiones
• Hechos
• OLAP (On-Line
Analytical Processing)Ventas
Producto
Tiempo
Cliente
Tienda
ABRIL 2015
36
HECHOS
• ¿Qué queremos medir?
• Euros, unidades, coste, litros, kilos…
• Normalmente se almacenan datos agregados.
• Esto no es una copia de nuestros sistemas es para analizar!!
• La granuladidad de las medidas es crítica, siempre hay que pensar el nivel más detallado que queremos analizar
ABRIL 2015
37
SELECCIÓN DE MEDIDAS
Imagen de Gerd LeonardABRIL 2015
38
DIMENSIÓN
• ¿Qué queremos analizar?
• Tiempo, Tienda, Producto, Cliente, …
• Contienen los descriptores de los hechos
• Pueden ser jerarquías
Tiempo
Año
Mes
Día
Tienda
País
Provincia
Tienda
ABRIL 2015
39
EJERCICIO• Identificar Dimensiones (Jerarquías) y Hechos
Datos Empresa/Profesional, etc Cliente Fecha Pedido Nº FacturaVendedor Vendedor 1
Cliente 1 12/12/2015 10:10 465132
Tienda Tienda Madrid
Código artículo Artículo/Concepto/Descripción/etc. Unidades Precio Unidad
Descuento Descuento total Total
%
A001 Grupo A: Descripción producto A001 4 1.000,00 8,00% 80 3920
A002 Grupo A: Descripción producto A002 2 1.500,00 5,00% 75 2925
A003 Grupo A: Descripción producto A003 3 2.000,00 4,80% 96 5904
B001 Grupo B: Descripción producto B001 3 3.000,00 4,40% 132 8868
B002 Grupo B: Descripción producto B002 2 4.000,00 4,00% 160 7840
C001 Grupo C: Descripción producto C001 3 4.500,00 3,80% 171 13329
Total Bruto 42.786,00
I.V.A. % 21% 8.985,06
Suma total 51.771,06 €
ABRIL 2015
40
KEY PERFORMANCE INDICATOR• KPI o Indicador Clave de Desempeño
• Son medidas financieras o no financieras
• Identificar las necesidades de información y luego diseñar los indicadores más apropiados para evaluar el desempeño
• S.M.A.R.T.
• eSpecíficos
• Medibles
• Alcanzables
• Relevantes
• Temporales
ABRIL 2015
41
TIPOS DE HECHOS
• Transacción
• Un evento que ha ocurrido en un instante de tiempo, una fila por ocurrencia
• Una compra, venta, una velocidad, temperatura
• Periodic Snapshot
• Se toma una fotografía, al final de un periodo de tiempo, multiples filas
• Balances, estados de cuenta, inventarios….
• Acumulating SnapShot
• Se va modificando el status de una fila a lo largo del tiempo. Múltiples filas.
• Suele llevar una marca de tiempo
ABRIL 2015
42
TIPOS DE DIMENSIONES (I)
• SCD. Slowly Changing Dimensions
• Tipo 1, se sobreescriben los valores.
• Tipo 2, se incluye una nueva línea.
• Tipo 3, se incluye una columna para conservar el valor original o anterior.
• Tipo 4, la dimensión sería tipo 1 pero se tabla una tabla con el histórico.
• Tipo 6, combinación de los tipos 1, 2 y 3.
ABRIL 2015
43
TIPOS DE DIMENSIONES (II)• Esquema Copo de Nieve (Snowflake)
• Se normalizan las dimensiones para extraer los atributos redundantes a una nueva tabla.
Tienda
País
Provincia
TiendaHecho
Tienda
Tienda
Hecho
Provincia
Provincia
País
País
ABRIL 2015
44
TIPOS DE DIMENSIONES (III)• Dimensión degenerada
• Cada fila en la tabla de hechos es un “documento”
• Número de factura, de orden, etc..
• Parent – Child Dimensions
• Manejar dimensiones recursivas que tienen profundidad variable
• Dimension Role-Playing
• Una misma dimensión aparece varias veces en la misma tabla de hechos.
• Junk Dimensions
• Flags e indicadores de baja cardinalidad
• En la tabla de hechos aumentaría mucho la granularidad.
• Se combinan en una dimensión.
ABRIL 2015
45
OPERACIONES TÍPICAS EN OLAP• Roll up (drill-up): resumir los datos
• Subiendo por la jerarquía o por reducción de dimensiones.
• Drill down (roll down): Inverso al roll-up
• Desde los niveles superior a los de más detalle o introducciendo unas nuevas dimensiones.
• Slice and dice
• Seleccionar. Y proyectar.
• Pivot (rotate)
• Reorientar el cubo.
• Otras operaciones:
• drill across: involucrar más de un cubo a través de una medida en común.
• drill through: ver el detalle en las tablas.
ABRIL 2015
46
MODELADO: ACTIVE DATA WAREHOUSE (OLTP)• Active Data Warehousing es otro tipo de modelo de nuestro Data
Warehouse en este caso lo que nos basamos en la captura de las transacciones cuando estas ocurren y las integramos en nuestro Data Warehouse. Esto nos proporcionada las posibilidad de automatizar tareas rutinarias y decisiones.
ABRIL 2015
47
DIFERENCIAS ENTRE OLTP VS OLAP Sistemas OLTP Sistemas OLAP
Objetivo Garantizar la consistencia de los datos. Consolidar los datos ya validados y adecuados a las necesidades para la toma de decisiones.
Orientación Orientado a la aplicación, hace cumplir las reglas del negocio.
Orientado al sujeto, se define en base a lo que el analista necesita ver.
Vigencia de los datos
Los datos se usan a medida que se van produciendo y dejan de ser importantes a corto plazo.
Se guardan los datos actuales y los históricos para poder realizar análisis comparativos.
Granularidad de datos
Es dada por controles definidos por la organización, así como por normas legales importantes.
Estará dado por el tipo de análisis que se requiera analizar.
Organización Es normalizado. Se basa en estructuras jerárquicas desnormalizadas modeladas de acuerdo a como se analizaran los datos.
ABRIL 2015
48
INTEGRACIÓN DE DATOS
• Procesos ETL (Extract, Transform & Load):
• Extraer datos de múltiples fuentes
• Transformar los datos
• Comprobamos la calidad del dato.
• Limpiamos y/o normalizamos los datos.
• Unificamos conceptos.
• Cargar los datos en un DW
ABRIL 2015
49
CREAR UN MODELO DE BI
ABRIL 2015
Clientes
Oferta
Contrato Actividad CampañaProductos
50
BUSINESS ANALYTICS
ABRIL 2015
51
DEFINICIÓN
• Business analytics se compone de las soluciones utilizadas para construir los modelos de análisis y simulaciones para crear escenarios, entender las realidades y predecir los estados futuros. Business analytics incluye la minería de datos, análisis predictivo, análisis aplicadas y las estadísticas, y se entrega como una aplicación adecuada para un usuario de negocios. Estas soluciones de análisis a menudo vienen con las industrias de contenido creado previamente que se dirige a un proceso de negocio de la industria (por ejemplo, los reclamos, suscripción o un requisito reglamentario específico).
ABRIL 2015
52
MODELOS DESCRIPTIVOS VS PREDICTIVOS• Modelos descriptivos
• Dado un conjunto de variables sobre unos datos de una empresa, pretendemos buscar en ellos características relevantes o segmentar los datos en grupos
• Modelos predictivos
• Dado un conjunto de variables sobre unos datos, pretendemos aquí predecir una variable especial que depende de alguna del conjunto de datos inicial. El objetivo es “aprender” un modelo que nos permita adivinar la etiqueta a partir de las relaciones encontradas en el pasado.
ABRIL 2015
¿QUÉ ES DATA MINING?
• Data mining• Descubrimiento de Conocimiento desde los Datos
• Extracción de patrones triviales o no triviales, desconocidos y potencialemente útiles de una gran cantidad de datos.
• Otros nombres• Knowledge discovery in databases (KDD), knowledge extraction,
data/pattern analysis, data archeology, data dredging, information harvesting, business intelligence, etc.
ABRIL 201553
54
FUNCIONALIDADES I
• Descripción concepto multidimensional: Caracterización y la discriminación
• Generalizada, resumir y características de los datos de contraste
• Patrones frecuentes, asociación, correlación vs. casualidad.
• Pañal Beer [0,5%, 75%], Educación Ingresos
• La clasificación y predicción
• Construir modelos que describen y distinguir clases o conceptos para la futura predicción
• Por ejemplo:
• clasificar a los países sobre la base de (economía), automóviles basado en (rendimiento de la gasolina), noticias de internet (Google News), producto (Amazon)
• Predecir el precio de las acciones, atasco de tráfico
ABRIL 2015
55
FUNCIONALIDADES II
• El análisis de agrupaciones
• Maximizar similitud del grupo y minimizando similitud entre grupos
• Ánálisis de valores atípicos (Outlier)
• Objeto de datos que no cumpla con el comportamiento general de los datos: valores atípicos
• ¿Ruido o excepción? Útil en la detección del fraude, el análisis de eventos raros
• El análisis de tendencias y la evolución
• Tendencia y desviación: las encuestas políticas.
• Minería de secuencias: la minería de vídeo -> identificar objetos
• Análisis Periodicidad: el cambio climático
• Basado en el análisis de similaridad
ABRIL 2015
EJEMPO: ANÁLISIS DEL MERCADO I• ¿De dónde sacamos los datos?
• Tarjeta de crédito, tarjetas de fidelización, cupones de descuento, queja de un cliente llama, además de estudios publicos sociodemográficos.
• Público Objetivo
• Encuentra grupos de clientes "modelo" que comparten las mismas características: el interés, nivel de ingresos, hábitos de consumo, etc.
• Determinar los patrones de compra de los clientes a través del tiempo
• Venta cruzada
• Buscar asociaciones entre las ventas de productos y predicen basa en dicha asociación
ABRIL 201556
EJEMPO: ANÁLISIS DEL MERCADO II• Perfil del Cliente
• ¿Qué tipo de clientes compra qué tipo de productos?
• Análisis de las necesidades del cliente
• Identificar los mejores productos para los diferentes grupos de clientes
• Predecir qué factores van a atraer nuevos clientes
• Provisión de información resumida
• Informes resumidos multidimensionales
• Resumen estadístico de información (datos de tendencia central y de variación)
ABRIL 201557
DESCUBRIMIENTO DE CONOCIMIENTO
ABRIL 201558
ÁRBOLES DE DECISIÓN I
• Son modelos estadísticos en los que interesa explicar una variable dependiente cualitativa (en nuestro caso binaria) en función de varias variables explicativas.
• Consiste en clasificar a los individuos en grupos de comportamiento diferente discriminando por las variables de entrada.
• Es una técnica de modelización supervisada.
• Beneficios:
• Su principal virtud es que son entendibles y explicables.
• Buena capacidad predictiva con variables categóricas.
• Alta flexibilidad
• Muy fáciles de implementar, mantener y revisar.
ABRIL 201559
60
ÁRBOLES DE DECISIÓN II
ABRIL 2015
61
CLÚSTER (SEGMENTACIÓN) I• Se utiliza para la identificación automática de las agrupaciones
naturales de las cosas
• Parte de la familia de aprendizaje de máquinas
• Emplear aprendizaje no supervisado
• También conocida como la segmentación
ABRIL 2015
CLÚSTER (SEGMENTACIÓN) II
62 ABRIL 2015
CLÚSTER (SEGMENTACIÓN) III
• Pueden ser utilizados para
• Identificar agrupaciones naturales de clientes.
• Identificar las normas para la asignación de nuevos casos a su grupo.
• Proporcionar caracterización, definición, etiquetado de las poblaciones.
• Disminuir el tamaño y la complejidad de los problemas.
• Identificar los valores atípicos en un dominio específico.
63 ABRIL 2015
SOCIAL MEDIA
• Experiencia personal y opiniones sobre cualquier cosa en revistas, foros, blogs, twitter.
• Publicaciones en redes sociales, Facebook.
• Comentarios sobre artículos, temas, tópicos, críticas.
• Se convierte en la VOZ DEL CLIENTE:
• Nos propociona información útil del feedback del cliente.
• Está disponible y suele ser gratuita.
• Este análisis es muy parecido al que nos puede proporcionar los investigadores de mercado pero este es a tiempo real.
64 ABRIL 2015
ANÁLISIS DEL SENTIMIENTO• Sentimiento
• Un pensamiento, una vista o actitud, especialmente uno basado principalmente en la emoción en lugar de la razón
• Análisis del Sentimiento
• Opinion Mining
• Se usan técnicas de procesamiento del lenguaje natural (NLP) y técnicas computacionales para automatizar la extracción y clasificación de sentimiento de texto normalmente no estructurada
65 ABRIL 2015
ANÁLISIS DEL SENTIMIENTO• ¿Cómo interpretar las características para la detección de emociones?
• Bolsa de palabras (IR)
• Léxicos anotados (WordNet, SentiWordNet)
• Patrones sintácticos
• ¿Qué características usar?
• Palabras (n gramos)
• Frases / n-gramas
• Sentencias
66 ABRIL 2015
67
VISUALIZACIÓN DE DATOS
ABRIL 2015
68
• Cuadros de Mando
• La necesidad de ejecutar, controlar y gestionar los procesos de una organización genera y consume cantidades ingentes de datos, eso lleva a la creación de sistemas de toma de decisiones con reporting, pivots, métricas, índices,…
• No todo el mundo debe usar todos y cada uno de los elementos. Al menos no todo el tiempo.
• Los CdM son una representación simplificada de un conjunto de indicadores que nos dan una idea de cómo se está comportando un área o un proceso de nuestra empresa
VISUALIZACIÓN DE DATOS
ABRIL 2015
69
• Existen muchos tipos de clasificación.
• ¿Cuándo se usan unos u otros?
Soportados por un modelo teórico
• BSC
• EFQM
Referentes a conceptos de la organización
• KPI vs. KGI
•Se pueden dividir en operacionales, tácticos y estratégicos
CLASIFICACIÓN
ABRIL 2015
70
• EFQM
• Fundación europea para el control de calidad
• El uso principal del modelo es la autoevaluación , de la que se obtiene un conjunto de puntos fuertes y otro de áreas susceptibles de mejora .
• Se construye un plan de acción
tendente a mantener resultados y
realizar las mejoras correspondientes
• La EFQM concede anualmente el
Premio Europeo a la Excelencia
EFQM
ABRIL 2015
71
EJEMPLO EFQM
ABRIL 2015
BALANCED SCORECARD I
• La medición del rendimiento y la metodología de gestión que ayuda a traducir las finanzas, los clientes, los procesos internos y los objetivos de aprendizaje y crecimiento en un conjunto de iniciativas viables
• "The Balanced Scorecard: Measures That Drive Performance”
(HBR, 1992)
72 ABRIL 2015
73
BALANCED SCORECARD II
• Perspectivas:
• Financiera
• Basados en la contabilidad de la empresa.
• Ej: Rentabilidad, margen operativo, facturación, …
• Cliente
• Los KPIs dependerán del tipo de actividad de la empresa pero basados principalmente en entrevistas y encuestas
• Ej: Grado de Satisfacción, % Reclamaciones, Interacciones, Tiempos de servicio, Calidad del servicio, …
• Procesos
• Operaciones, gestión de clientes, RSC, …
• Ej: tiempo medio, calidad, coste, captación de clientes, …
• Innovación
• Mejoras, crear valor e innovar
• Ej: time-to-market, ciclo de vida de productos, desarrollo de nuevos productos, …
ABRIL 2015
BALANCED SCORECARD III
74 ABRIL 2015
75
CDM - OPERACIONAL I
• Cuadro de mando operacional
• De respuesta rápida.
• Gráficos y tablas simples
• Capacidad de atracción de la atención ante eventos (avisan de errores o anomalías)
• Alto nivel de detalle
• Proveen un único nivel más de profundidad, que suele enlazar con el operacional (si no ataca a este directamente). Informes tabulares
ABRIL 2015
76
CDM - OPERACIONAL II
ABRIL 2015
77
CDM – TÁCTICO I
• Cuadro de mando táctico
• Mas contextualizado, comparativo e histórico
• Datos consolidados que no cambian en un periodo de tiempo largo
• Visualizaciones mas complejas (perfil mas lato)
• Permiten exploración para aclarar las causas (no los detalles)
• Suelen enlazar con otros cuadros de mando y OLAP.
ABRIL 2015
78
CDM – TÁCTICO II
ABRIL 2015
79
CDM – ESTRATÉGICO I
• Cuadro de mando estratégico
• Se centran en indicadores de alto nivel que permitan evaluar tendencias
• No suelen contener mucha información (ranking, etc…)
• Tipos de gráficos muy simples
• Los datos se basan en snapshots
• No aportan mucha interacción
ABRIL 2015
80
CDM – ESTRATÉGICO II
ABRIL 2015
81
• Medida del éxito: Que el cuadro de mando se está utilizando.
• responde a la necesidad informacional que se planteaba
• es rápido y accesible (usable)
• permite hacer inferencia de información (profundidad de análisis)
• en mayor o menos medida, es “bonito”
¿QUÉ ES IMPORTANTE?
ABRIL 2015
82
ERRORES A EVITAR I
• Exceder los límites de una pantalla
• Se tiene que ver todo lo que se necesite ver, de una vez, para que se puedan producir inferencias o descubrir patrones
ABRIL 2015
83
ERRORES A EVITAR II
• Descontextualizar la información
• La cantidad que se muestra ¿con que se compara?¿es buena o mala?
ABRIL 2015
84
ERRORES A EVITAR III
• Mostrar mucho detalle (o precisión), o mucha variedad.
• Elegir medidas no representativas (usuario)
ABRIL 2015
85
ERRORES A EVITAR IV
• Elegir la gráfica inapropiada
ABRIL 2015
86
ERRORES A EVITAR V
ABRIL 2015
87
ERRORES A EVITAR VI
ABRIL 2015
88
ERRORES A EVITAR VII
• El eje sobre el que lo miramos es muy importante
ABRIL 2015
Ejemplo1 Ejemplo2
89
ERRORES A EVITAR VIII
ABRIL 2015
49
50
51
Ejemplo1
0
50
100
Ejemplo2
90
• Añadir decoración innecesaria (non-data pixels)
• Utilizar color y saturación excesivamente
ERRORES A EVITAR IX
ABRIL 2015